Plataforma de gestión de redes inteligentes con IA agenica

Descripción general de la solución

Las empresas de servicios públicos recopilan datos de contadores inteligentes de alta frecuencia a gran escala, pero a menudo los equipos siguen gestionando la monitorización, la previsión, el análisis de clientes y los flujos de trabajo de IA en sistemas separados.

Esa fragmentación crea flujos de datos duplicados, decisiones más lentas y mayores costos operativos.

La plataforma inteligente Smart Grid muestra cómo se pueden ejecutar esas cargas de trabajo en MongoDB Atlas utilizando una capa de datos operativos para la monitorización en tiempo real, las operaciones de red, la previsión de la demanda, la inteligencia del cliente y un agente de soporte de la red.

Utilice esta solución para:

• Supervise la red eléctrica en tiempo real: detecte interrupciones, controle el factor de potencia e identifique anomalías (picos de tensión, consumo inusual) directamente en la base de datos.

• Gestionar la red: visualizar la topología de la red (empresa de servicios públicos → subestación → alimentador → transformador), evaluar el estado de las subestaciones y detectar alertas de carga máxima y riesgos de interrupción del suministro eléctrico a partir de la utilización de la capacidad en tiempo real.

• Pronosticar la demanda en función del clima: proyectar la demanda prevista y el momento de máxima demanda por región, enriquecido con datos meteorológicos externos (grados día de calefacción y refrigeración), para planificar la capacidad y evitar sobrecargas.

• Comprender a los clientes: recomendaciones sobre tarifas de superficie, tendencias de consumo, desgloses por electrodoméstico y segmentos de uso a partir de los mismos datos del contador.

• Actúe mediante lenguaje natural: consulte la red, la base de conocimientos y los datos de los clientes a través de un agente de soporte de la red.

MongoDB Atlas admite este diseño con capacidades integradas para datos de series temporales, modelado de datos flexible, procesamiento dentro de la base de datos y recuperación impulsada por IA:

• MongoDB Atlas Time Series: las colecciones nativas de series temporales almacenan de forma eficiente lecturas de contadores de alta frecuencia y permiten realizar consultas temporales rápidas.

• Marco de agregación: los análisis se ejecutan en la base de datos, no en la aplicación; detección $setWindowFields de interrupciones con brechas e islas con; estadísticas de anomalías y demanda con $group y;$stdDevSamp y utilización de alimentadores/subestaciones medida en función de la capacidad nominal de cada activo. Las lecturas de alta frecuencia (demanda, pronóstico) se ejecutan como un escaneo de recopilación única sobre lecturas que ya contienen su contexto de red.

• Modelo de documentación flexible: los contadores, los clientes y la jerarquía de la red eléctrica existen como documentos relacionados, que se unen bajo demanda, sin un esquema rígido que migrar a medida que evoluciona la red.

• Búsqueda vectorial Atlas con incrustaciones automatizadas de Voyage AI: búsqueda semántica sobre una base de conocimiento de dominio sin necesidad de un servicio de incrustación independiente. Consulte Voyage AI.

• Búsqueda híbrida: resultados vectoriales y de texto completo combinados con Fusión de Rango Recíproco (RRF) para una recuperación más relevante.

• IA agente en MongoDB: un asistente multiagente LangGraph con habilidades por dominio y memoria de conversación persistente en Atlas, por lo que el contexto se almacena junto con los datos operativos, sin almacenamiento de estado externo.

Figura 1. Características principales de la plataforma inteligente de red eléctrica inteligente.

haga clic para ampliar

Arquitecturas de Referencia

La plataforma combina las siguientes capas en un único clúster de MongoDB Atlas:

• Una capa de datos operativos que impulsa la monitorización, la red, la previsión y la visualización de datos de los clientes.

• Una capa de IA con capacidad de gestión que permite a los usuarios realizar consultas en lenguaje natural.

Ambos leen los mismos documentos, por lo que no se necesitan sistemas separados para copiar o sincronizar la información.

Figura 2. Arquitectura de alto nivel de la red eléctrica inteligente: capa de datos operativos.

haga clic para ampliar

Agentic AI Layer

La pregunta en lenguaje natural del usuario fluye a través de un orquestador multiagente LangGraph que analiza la pregunta, activa las herramientas adecuadas, recupera datos de MongoDB y devuelve una respuesta fundamentada. Todo ello mientras la memoria de la conversación y los datos de búsqueda residen en el mismo clúster de Atlas.

Figura 3. Orquestación LLM de alto nivel: capa de IA agencial.

haga clic para ampliar

Así es como fluye una consulta a través de la arquitectura:

1. Consulta del usuario (Interfaz): Un usuario formula una pregunta en lenguaje natural al agente de soporte de la cuadrícula. La interfaz envía la solicitud (Solicitud:)<user query> al agente y posteriormente genera la respuesta<answer> (Respuesta:).

2. Percepción: El agente percibe su mundo como documentos de MongoDB, la consulta del usuario y los datos operativos almacenados en formato JSON en las colecciones de la plataforma. Este es el contexto sobre el que razona el agente.

3. Planificación: El orquestador de LangGraph interpreta la solicitud, la dirige al flujo de trabajo del dominio correcto, llama a las herramientas necesarias y devuelve una respuesta fundamentada.

4. Herramientas: El agente ejecuta las herramientas seleccionadas:

   • Búsqueda híbrida (RAG) sobre la base de conocimiento: búsqueda vectorial (semántica) y búsqueda de texto completo (palabra clave) fusionadas con fusión de rango recíproco (RRF) para los pasajes más relevantes.

   • Recuperación de datos: Agregaciones de MongoDB sobre las colecciones operativas (red, clientes, tarifas) para responder con datos en tiempo real.

5. Memoria: El estado de la conversación se persiste en MongoDB Atlas (,),agent_checkpoints agent_checkpoint_writespor lo que el agente recuerda el contexto entre turnos sin un almacén de estado externo.

6. Razonamiento y generación (Orquestación): La capa de orquestación LangGraph coordina el bucle, y el LLM (Claude) razona sobre el contexto recuperado y sintetiza la respuesta final, que se devuelve al usuario.

En resumen: la capa de IA no duplica la lógica, sus herramientas de recuperación de datos utilizan las mismas agregaciones que alimentan los paneles operativos, y ambas capas comparten un clúster de Atlas para datos, búsqueda y memoria de agentes.

Enfoque de modelo de datos

Esta solución ejecuta funciones de monitorización, operaciones de red, previsión, inteligencia de clientes y un agente de soporte de cuadrícula en una única capa de datos de MongoDB Atlas.

El modelo de documentos de MongoDB lo hace posible al organizar los datos operativos, de búsqueda y de memoria en colecciones flexibles que permanecen conectadas sin necesidad de sistemas separados para almacenar, sincronizar o conciliar la información.

Esta solución se basa en un conjunto de colecciones de MongoDB que trabajan juntas para dar soporte tanto a las cargas de trabajo operativas como a las capacidades de IA:

• readings Almacena datos de medidores de series temporales.

• customer_db, network, meter_network_map y tariff_catalog almacenan los datos principales del cliente, la cuadrícula, el mapeo y las tarifas.

• agent_checkpoints y agent_checkpoint_writes persisten la memoria del agente.

• kb_articles Potencia la búsqueda mediante IA en la base de conocimientos.

En conjunto, estas colecciones proporcionan una capa de datos conectada para la monitorización, el análisis y las interacciones inteligentes con el usuario. Las siguientes secciones describen cada colección con más detalle y explican cómo su estructura respalda la solución general.

• readings: Almacena una lectura del medidor por intervalo, mediciones eléctricas, subcargas a nivel de electrodoméstico, consumo de intervalo precalculado (interval_kwh) y su contexto de red desnormalizado (alimentador/subestación/servicio público), en una colección de series temporales.

{
  "timestamp": {
    "$date": "2026-07-08T17:00:00.000Z"
  },
  "dataid": 661,
  "power_factor": 0.933,
  "city": "Austin",
  "frequency": 60.043,
  "voltage": 119.958,
  "energy": 53.76054,
  "feeder_id": "feeder_austin_south_02",
  "kitchen_power": 168.8,
  "power": 3246.151,
  "env_power": 1112.159,
  "heating_power": 344.741,
  "utility_id": "utility_austin",
  "laundry_power": 61.352,
  "current": 29.004,
  "_id": {
    "$oid": "6a760c8ee48b9c05164d7d57"
  },
  "avg_reading": 119.958,
  "interval_kwh": 0.81154,
  "ev_power": 0,
  "volt_leg_1": 118.982,
  "has_ev": true,
  "transformer_id": "transformer_austin_south_02_01",
  "hvac_power": 1559.099,
  "substation_id": "substation_austin_south",
  "volt_leg_2": 120.934,
  "state": "Texas"
}

• network: Modela la jerarquía de servicios públicos como documentos vinculados. parent_asset_id forma la jerarquía de servicios públicos → subestación → alimentador → transformador, y cada activo tiene su propia capacidad y ubicación.

{
  "_id": {
    "$oid": "6a43f5a0fc0d1c3b5276bb29"
  },
  "asset_id": "transformer_austin_south_02_02",
  "asset_type": "transformer",
  "city": "Austin",
  "state": "TX",
  "name": "Austin South Transformer 02-02",
  "parent_asset_id": "feeder_austin_south_02",
  "capacity_kw": 1500,
  "voltage_kv": 0.48,
  "status": "active",
  "location": {
    "type": "Point",
    "coordinates": [
      -97.7131,
      30.263199999999998
    ]
  }
}

• tariff_catalogLas tiendas clasifican los planes con sus niveles integrados como una matriz, de modo que un plan completo se lee como un solo documento.

{
  "_id": {
    "$oid": "6a760c89e48b9c05164d7d4c"
  },
  "utilityName": "Austin Energy",
  "rateName": "Residential",
  "fixedChargeFirstMeter": 15,
  "fixedChargeUnits": "$/month",
  "energyRateStrux": [
    {
      "energyRateTiers": [
        {
          "max": 300,
          "unit": "kWh",
          "rate": 0.04106,
          "adj": 0.06455
        },
        {
          "max": 900,
          "unit": "kWh",
          "rate": 0.05138,
          "adj": 0.06455
        },
        {
          "max": 2000,
          "unit": "kWh",
          "rate": 0.07525,
          "adj": 0.06455
        },
        {
          "unit": "kWh",
          "rate": 0.10884,
          "adj": 0.06455
        }
      ]
    }
  ],
  "energyWeekdaySched": [...
  ],
  "energyWeekendSched": [...
  ],
  "effectiveDate": {
    "$date": "2025-05-01T00:00:00.000Z"
  },
  "sourceReference": "https://austinenergy.com/-/media/project/websites/shared/pdfs/rates/tariff.pdf?rev=382867d1201343b78d6a940e4ef471b5&hash=51DA5A20032359FB44C3F61BFB5E7F5E",
  "rate_type": "tiered",
  "city": "Austin",
  "state": "TX",
  "location_label": "Austin, TX"
}

• kb_articlesAlmacena la base de conocimiento del dominio, indexada para la búsqueda vectorial de Atlas (con incrustaciones de IA de Voyage automatizadas) y la búsqueda de texto completo. Las incrustaciones son generadas por Atlas a partir del campo de texto sin un proceso de incrustación independiente.

{
  "_id": {
    "$oid": "6a711e3759c1cc549f2e8c42"
  },
  "slug": "what-is-power-factor",
  "category": "Glossary",
  "text": "Power factor is the ratio of real power (kW, the power that does useful work) to apparent power (kVA, the total power drawn). It ranges from 0 to 1. A power factor near 1.0 means electricity is being used efficiently; a low power factor (for example below 0.9) means a lot of reactive power is being drawn, which stresses the grid and can incur penalties for commercial customers. Motors, transformers, and other inductive loads lower the power factor.",
  "title": "What is power factor?",
  "updatedAt": {
    "$date": "2026-08-04T19:30:01.654Z"
  }
}

• meter_network_mapAsigna cada medidor (dataid) a su ubicación en la topología de la red (alimentador, subestación, compañía eléctrica y transformador). Ese mismo contexto también se desnormaliza en cada lectura, de modo que las vistas de alta frecuencia lo leen sin necesidad de unir datos.

• customer_db: Almacena la ubicación de cada cliente (ciudad y estado), identificada por el medidor dataid. El plan tarifario y el segmento de uso se derivan bajo demanda (a partir de tariff_catalog y mediante agregación).

• agent_checkpoints y agent_checkpoint_writes: almacena la memoria del agente, gestionada por LangGraph, donde el estado de la conversación del asistente se mantiene por hilo para que el contexto sobreviva entre turnos, sin almacenamiento de estado externo.

Por qué el modelo de documento se ajusta a esta solución:

• Cada lectura contiene toda la información sobre ese momento: la lectura de un medidor integra sus mediciones eléctricas y las subcargas de cada electrodoméstico en un solo documento, sin necesidad de unir datos para reconstruir una única lectura. Almacenadas en una colección de series temporales, estas lecturas se procesan y consultan de forma eficiente y con alta frecuencia.

• La jerarquía de la red se modela tal como existe: la red (servicio público → subestación → alimentador → transformador) se almacena como documentos vinculados que la plataforma recorre para ensamblar vistas de topología, y cada lectura conserva su lugar en esa jerarquía, de modo que el modelo puede crecer o cambiar sin migraciones de esquema.

• El esquema evoluciona sin migraciones: se pueden agregar nuevas subcargas de dispositivos, atributos de clientes o campos de activos como nuevos campos, de modo que los documentos, las canalizaciones y los flujos de trabajo de las aplicaciones existentes sigan funcionando a medida que la plataforma se expande.

• Los mismos datos son la base de todas las cargas de trabajo: las agregaciones que sustentan la monitorización, la previsión y los paneles de control de clientes se ejecutan en las mismas colecciones operativas que admiten uniones en todo el modelo de cuadrícula, lo que reduce la duplicación y evita sistemas separados.

• Los datos de IA conviven con los datos operativos: la base de conocimientos, la búsqueda vectorial y de texto completo, y la memoria de conversaciones del agente residen en el mismo clúster de MongoDB Atlas, por lo que la recuperación, el contexto de razonamiento y el análisis operativo funcionan conjuntamente sin necesidad de una infraestructura separada.

Compilar la solución

La plataforma inteligente Smart Grid utiliza MongoDB Atlas como una única capa de datos para la monitorización en tiempo real, las operaciones de red, la previsión de la demanda, la inteligencia del cliente y un agente de soporte para la red eléctrica.

Siga estos pasos generales para implementar la solución. Para obtener instrucciones de configuración detalladas, datos de ejemplo y código ejecutable, consulte el repositorio de GitHub.

Lecciones clave

• Consolide las operaciones en una única plataforma de datos: Ejecutar la monitorización, las operaciones de red, la previsión y la inteligencia de clientes en un clúster de MongoDB Atlas elimina el coste y la demora de copiar y conciliar los datos de medición en sistemas separados. Este enfoque reduce el coste total de propiedad y permite implementar nuevas funcionalidades en producción con mayor rapidez.

• Transforme los datos brutos de los medidores en decisiones operativas: Calcule las interrupciones, la utilización de la capacidad y las anomalías directamente en los sistemas de agregación para que los operadores puedan actuar en tiempo real sobre las condiciones de la red. Esto reduce el tiempo de inactividad y previene sobrecargas antes de que se conviertan en fallas.

• Planifique la capacidad con pronósticos basados ​​en el clima: Enriquezca los pronósticos de demanda con datos meteorológicos externos (incluidos los grados-día de calefacción y refrigeración) para ayudar a las empresas de servicios públicos a anticipar los picos de demanda y asignar capacidad de forma proactiva. Esto reduce los costosos gastos de respuesta ante emergencias y mejora la confiabilidad de la red.

• Mejore la experiencia del cliente con inteligencia unificada: Ofrezca recomendaciones tarifarias, tendencias de consumo y segmentos de uso a partir de los mismos datos de medición para ayudar a las empresas de servicios públicos a brindar a sus clientes orientación relevante y personalizada. Esto fomenta la satisfacción y la fidelización.

• Potencie a sus equipos con IA basada en agentes en MongoDB: utilice un asistente multiagente LangGraph para que cualquier operador pueda consultar la cuadrícula, la red y los clientes en lenguaje natural. Esto democratiza el acceso a los datos y agiliza la toma de decisiones sin tener que esperar informes especializados ni analistas.

Autores

• Muhammad Atif

• Andrea Fatima Figueroa Lopez

• Maria José Cordova Igartua

• Javier Guajardo Canseco

• Andrea Alaman Calderon

Obtén más información

• Búsqueda vectorial de Atlas.

• Generación aumentada por recuperación (RAG) con búsqueda de vectores de atlas.

• Fabricación y movilidad.